CN109389174A - 一种人群聚集敏感图像检测方法 - Google Patents
一种人群聚集敏感图像检测方法 Download PDFInfo
- Publication number
- CN109389174A CN109389174A CN201811238491.8A CN201811238491A CN109389174A CN 109389174 A CN109389174 A CN 109389174A CN 201811238491 A CN201811238491 A CN 201811238491A CN 109389174 A CN109389174 A CN 109389174A
- Authority
- CN
- China
- Prior art keywords
- aiming field
- sparse
- supervision
- subspace
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种人群聚集敏感图像检测方法,包括步骤:收集聚集人群中的图像数据,分别获取原域和目标域的图像数据集;建立监督判别稀疏迁移模型,建立能够对原域与目标域的公共子空间和稀疏表达重建矩阵同时学习的迁移模型,并在迁移模型中添加监督判别正则项;利用图像样本标签信息获得分类任务在原域与目标域的公共子空间,并在公共子空间中通过迁移学习实现优化过程;利用交替优化策略以及ADMM算法对优化变量进行交替求解;识别敏感图像。本发明利用建立监督判别稀疏迁移模型,以此来提高在小样本情况下分类任务的正确率,从而大大提高了人群聚集等复杂环境里的敏感图像识别的正确率和判别性。
Description
技术领域
本发明属于图像检测技术领域,特别是涉及一种人群聚集敏感图像检测方法。
背景技术
随着数据集规模和计算资源的快速增长,人工智能和其子领域机器学习的理论和应用都取得了长足进步。特别是在计算机视觉领域,数据集规模的指数型爆炸显得尤为明显。在现实生活中,每天都会有海量图片产生,但是具有标签信息的图像数据却是少之又少,因为人工标记数据在时间成本与金钱成本上耗费都是巨大。同时是在人群聚集敏感图像分类中,任务多变,场景及光照变化较大,造成分类较为困难。
而在传统的机器学习的框架下,无论是分类还是回归的任务,都是在既定充分的训练数据下学习到一个映射函数或分类回归模型,然后利用学习好的模型对于测试数据进行预测。在计算机视觉当中,我们常常遇到的问题是:相关的用于模型训练的标注数据集,即原域和用于模型测试的无标签数据集,即目标域往往具有不同的特征空间与统计分布,因为在视觉场景中通常光照条件、拍摄角度、遮挡、噪声模糊、光线、背景等都是非常不一致的。但是传统机器学习问题中假设,训练数据集与测试数据集的样本独立同分布,该假设在迁移学习的问题当中是极难满足的,存在着特征空间上的分布差异,所以传统机器学习模型与算法在该问题上会失效;无法有效解决目标域标签样本稀少且存在特征不一致等问题,大大降低了敏感图像识别的正确率。
发明内容
为了解决上述问题,本发明提出了一种人群聚集敏感图像检测方法,针对目标域标签样本稀少且存在特征不一致等问题,利用建立监督判别稀疏迁移模型,以此来提高在小样本情况下分类任务的正确率,从而大大提高了人群聚集等复杂环境里的敏感图像识别的正确率和判别性。
为达到上述目的,本发明采用的技术方案是:一种人群聚集敏感图像检测方法,包括步骤:
S100,收集聚集人群中的图像数据,分别获取原域和目标域的图像数据集;
S200,建立监督判别稀疏迁移模型,建立能够对原域与目标域的公共子空间和稀疏表达重建矩阵同时学习的迁移模型,并在迁移模型中添加监督判别正则项;
S300,利用图像样本标签信息获得分类任务在原域与目标域的公共子空间,并在公共子空间中通过迁移学习实现优化过程;利用交替优化策略以及ADMM算法对优化变量进行交替求解;识别敏感图像。
进一步的是,通过构造低维的原域和目标域的公共子空间,让目标域与原域的图像数据样本在公共子空间中得到互相表达,使公共子空间中两个域的特征空间分布相似,满足学习分类问题的假设。
进一步的是,使用稀疏表达的方法使原域与目标域在所述公共子空间内互相表达,避免原域的噪声迁移到目标域当中造成的负迁移;在实现稀疏重构之前,将目标域与原域映射到低维的公共子空间当中,实现知识迁移;通过对公共子空间映射矩阵加入监督判别约束实现公共子空间对于图片的分类判别,让目标域同类样本的距离缩小,同时让目标域异类样本的距离增大。
进一步的是,为了增加鲁棒性,在所述监督判别稀疏迁移模型中,同时使用目标域和原域的所有样本数据作为稀疏表达重建的基。
进一步的是,所述监督判别稀疏迁移模型为:
其中,是原域的图像数据集,是目标域的图像数据集,X是联合数据集,m是特征空间维度,NS是原域数据集的样本个数,NT是目标域数据集的样本个数;W∈Rm ×D是子空间映射矩阵,是原域和目标域的稀疏重构矩阵,D是子空间的特征维度,||||F为弗氏范数来约束互相表达的误差;
其中,所述监督判别正则项为:
其中,Sin是目标域中的同类样本距离之和,Sout是目标域中的异类样本距离之和,Tr()代表同类类内和异类类间距离的和。
进一步的是,为实现非线性优化,将子空间映射矩阵W表达成为联合数据集X的线性表达W=ΦTXT,则监督判别稀疏迁移模型优化目标函数为:
进一步的是,为了提高优化效率,所述监督判别正则项优化为:
其中,Hin,Hout是常数矩阵;如果第i个样本与第j个样本属于同一个类别k,那么Hin(i,j)=1/Ck,Ck指的是第k类样本数目;
从而,引入了优化后监督判别正则项的正则稀疏迁移模型为:
其中,K=XTX,KT=XTXT;
通过两个变量Z和W进行优化,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解。
进一步的是,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解,包括步骤:
首先,添加松弛变量L和U后,优化的监督判别稀疏迁移模型为:
然后,构建优化后模型的增量拉格朗日函数:
其中,SA、SB、SC和SD为拉格朗日乘子数,且λ1=u1/2;λ3=u3/2;
最后,利用交替优化策略,实现映射矩阵Z的交替优化稀疏重建,交替优化迁移学习子空间映射。
进一步的是,所述交替优化策略,包括步骤:
变量L的交替优化松弛:固定Z和U,对增量拉格朗日函数迭代求导,得到优化的L;
变量U的交替优化松弛:固定L和Z,对增量拉格朗日函数迭代求导,得到优化的U;
矩阵Z的交替优化稀疏重建:固定L和U,对不同位置的Z进行迭代;
交替优化迁移学习子空间映射:固定Z,根据优化的监督判别稀疏迁移模型交替求解最优解,识别敏感图像。
采用本技术方案的有益效果:
在本发明中针对迁移学习中目标域标签样本稀少的问题,提出了一个监督判别稀疏迁移模型;在原域与目标域的公共子空间中,使得目标域的样本可以被原域和目标域的所有样本进行表达,同时希望该子空间具有监督判别性,就是希望在该子空间当中,目标域的同类样本的距离尽可能小,但是异类样本的距离尽可能的大,以此来提高图片分类的正确率;基于小样本数据集的狭义的迁移学习,基于像素级的图像风格变换,实现数据集偏移和领域适配。
在本发明中增加了监督正则项,使得子空间对于分类来说更加具有判别性和鲁棒性;在迁移模型的基础上增加了监督判别正则项,保留数据的全局和局部的结构,通过学习到更好的子空间,提高分类任务的正确率。通过实现目标域的公共子空间同类样本距离尽可能的近,而异类样本距离尽可能的疏远,以此来提高该公共子空间对于目标域任务的判别性。
在本发明中针对目标域标签样本稀少的问题,提出判别稀疏迁移模型,并利用了交替方向乘子法对本文提出的模型进行求解;利用子空间学习将目标域与原域的特征空间映射到一个公共的隐子空间当中,希望目标域与原域的混合数据集可以对目标域的数据进行稀疏表达。通过这样的方式,目标域与原域的差异将尽可能减少,两个域的特征空间分布尽可能的相似,可以满足传统机器学习分类问题的假设;同时对于上述表达加上稀疏约束,避免了将原域中的噪声迁移到目标域中,防止了负迁移现象发生。本方法能够有效保留数据的全局结构,防止重构矩阵被独立子空间假设所限制。
附图说明
图1为本发明的一种人群聚集敏感图像检测方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种人群聚集敏感图像检测方法,包括步骤:
S100,收集聚集人群中的图像数据,分别获取原域和目标域的图像数据集;
S200,建立监督判别稀疏迁移模型,建立能够对原域与目标域的公共子空间和稀疏表达重建矩阵同时学习的迁移模型,并在迁移模型中添加监督判别正则项;迁移模型可采用LSDT模型,LSDT模型是一种完全无监督的模型;
S300,利用图像样本标签信息获得分类任务在原域与目标域的公共子空间,并在公共子空间中通过迁移学习实现优化过程;利用交替优化策略以及ADMM算法对优化变量进行交替求解;识别敏感图像。
作为上述实施例的优化方案,通过构造低维的原域和目标域的公共子空间,让目标域与原域的图像数据样本在公共子空间中得到互相表达,使公共子空间中两个域的特征空间分布相似,满足学习分类问题的假设。
使用稀疏表达的方法使原域与目标域在所述公共子空间内互相表达,避免原域的噪声迁移到目标域当中造成的负迁移;在实现稀疏重构之前,将目标域与原域映射到低维的公共子空间当中,实现知识迁移;通过对公共子空间映射矩阵加入监督判别约束实现公共子空间对于图片的分类判别,让目标域同类样本的距离缩小,同时让目标域异类样本的距离增大。
为了增加鲁棒性,在所述监督判别稀疏迁移模型中,同时使用目标域和原域的所有样本数据作为稀疏表达重建的基。
作为上述实施例的优化方案,所述监督判别稀疏迁移模型为:
其中,是原域的图像数据集,是目标域的图像数据集,X是联合数据集,m是特征空间维度,NS是原域数据集的样本个数,NT是目标域数据集的样本个数;W∈Rn ×D是子空间映射矩阵,是原域和目标域的稀疏重构矩阵,D是子空间的特征维度,||||F为弗氏范数来约束互相表达的误差;
例如,对于矩阵A∈Rm×n,有A*是矩阵A的共轭转置;
其中,所述监督判别正则项为:
其中,Sin是目标域中的同类样本距离之和,Sout是目标域中的异类样本距离之和,Tr()代表同类类内和异类类间距离的和。
作为上述实施例的优化方案,为实现非线性优化,将子空间映射矩阵W表达成为联合数据集X的线性表达W=ΦTXT,则监督判别稀疏迁移模型优化目标函数为:
作为上述实施例的优化方案,为了提高优化效率,所述监督判别正则项优化为:
其中,Hin,Hout是常数矩阵;如果第i个样本与第j个样本属于同一个类别k,那么Hin(i,j)=1/Ck,Ck指的是第k类样本数目;
从而,引入了优化后监督判别正则项的正则稀疏迁移模型为:
其中,K=XTX,KT=XTXT;
通过两个变量Z和W进行优化,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解。
作为上述实施例的优化方案,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解,包括步骤:
首先,添加松弛变量L和U后,优化的监督判别稀疏迁移模型为:
然后,构建优化后模型的增量拉格朗日函数:
其中,SA、SB、SC和SD为拉格朗日乘子数,且λ1=u1/2;λ3=u3/2;
最后,利用交替优化策略,实现映射矩阵Z的交替优化稀疏重建,交替优化迁移学习子空间映射。
所述交替优化策略,包括步骤:
变量L的交替优化松弛:固定Z和U,对增量拉格朗日函数迭代求导,得到优化的L;
变量U的交替优化松弛:固定L和Z,对增量拉格朗日函数迭代求导,得到优化的U;
矩阵Z的交替优化稀疏重建:固定L和U,对不同位置的Z进行迭代;
交替优化迁移学习子空间映射:固定Z,根据优化的监督判别稀疏迁移模型交替求解最优解,识别敏感图像。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种人群聚集敏感图像检测方法,其特征在于,包括步骤:
S100,收集聚集人群中的图像数据,分别获取原域和目标域的图像数据集;
S200,建立监督判别稀疏迁移模型,建立能够对原域与目标域的公共子空间和稀疏表达重建矩阵同时学习的迁移模型,并在迁移模型中添加监督判别正则项;
S300,利用图像样本标签信息获得分类任务在原域与目标域的公共子空间,并在公共子空间中通过迁移学习实现优化过程;利用交替优化策略以及ADMM算法对优化变量进行交替求解;识别敏感图像。
2.根据权利要求1所述的一种人群聚集敏感图像检测方法,其特征在于,通过构造低维的原域和目标域的公共子空间,让目标域与原域的图像数据样本在公共子空间中得到互相表达,使公共子空间中两个域的特征空间分布相似,满足学习分类问题的假设。
3.根据权利要求2所述的一种人群聚集敏感图像检测方法,其特征在于,使用稀疏表达的方法使原域与目标域在所述公共子空间内互相表达,避免原域的噪声迁移到目标域当中造成的负迁移;在实现稀疏重构之前,将目标域与原域映射到低维的公共子空间当中,实现知识迁移;通过对公共子空间映射矩阵加入监督判别约束实现公共子空间对于图片的分类判别,让目标域同类样本的距离缩小,同时让目标域异类样本的距离增大。
4.根据权利要求3所述的一种人群聚集敏感图像检测方法,其特征在于,在所述监督判别稀疏迁移模型中,同时使用目标域和原域的所有样本数据作为稀疏表达重建的基。
5.根据权利要求4所述的一种人群聚集敏感图像检测方法,其特征在于,所述监督判别稀疏迁移模型为:
其中,是原域的图像数据集,是目标域的图像数据集,X是联合数据集,m是特征空间维度,NS是原域数据集的样本个数,NT是目标域数据集的样本个数;W∈Rm×D是子空间映射矩阵,是原域和目标域的稀疏重构矩阵,D是子空间的特征维度,|| ||F为弗氏范数来约束互相表达的误差;
其中,所述监督判别正则项为:
其中,Sin是目标域中的同类样本距离之和,Sout是目标域中的异类样本距离之和,Tr()代表同类类内和异类类间距离的和。
6.根据权利要求5所述的一种人群聚集敏感图像检测方法,其特征在于,将子空间映射矩阵W表达成为联合数据集X的线性表达W=ΦTXT,则监督判别稀疏迁移模型优化目标函数为:
7.根据权利要求6所述的一种人群聚集敏感图像检测方法,其特征在于,所述监督判别正则项优化为:
其中,Hin,Hout是常数矩阵;如果第i个样本与第j个样本属于同一个类别k,那么Hin(i,j)=1/Ck,Ck指的是第k类样本数目;
从而,引入了优化后监督判别正则项的正则稀疏迁移模型为:
其中,K=XTX,KT=XTXT;
通过两个变量Z和W进行优化,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解。
8.根据权利要求7所述的一种人群聚集敏感图像检测方法,其特征在于,利用交替优化策略以及ADMM算法对两个优化变量进行交替求解,包括步骤:
首先,添加松弛变量L和U后,优化的监督判别稀疏迁移模型为:
然后,构建优化后模型的增量拉格朗日函数:
其中,SA、SB、SC和SD为拉格朗日乘子数,且λ1=u1/2;λ3=u3/2;
最后,利用交替优化策略,实现映射矩阵Z的交替优化稀疏重建,交替优化迁移学习子空间映射。
9.根据权利要求8所述的一种人群聚集敏感图像检测方法,其特征在于,所述交替优化策略,包括步骤:
变量L的交替优化松弛:固定Z和U,对增量拉格朗日函数迭代求导,得到优化的L;
变量U的交替优化松弛:固定L和Z,对增量拉格朗日函数迭代求导,得到优化的U;
矩阵Z的交替优化稀疏重建:固定L和U,对不同位置的Z进行迭代;
交替优化迁移学习子空间映射:固定Z,根据优化的监督判别稀疏迁移模型交替求解最优解,识别敏感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238491.8A CN109389174B (zh) | 2018-10-23 | 2018-10-23 | 一种人群聚集敏感图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238491.8A CN109389174B (zh) | 2018-10-23 | 2018-10-23 | 一种人群聚集敏感图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389174A true CN109389174A (zh) | 2019-02-26 |
CN109389174B CN109389174B (zh) | 2021-04-13 |
Family
ID=65427989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811238491.8A Active CN109389174B (zh) | 2018-10-23 | 2018-10-23 | 一种人群聚集敏感图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389174B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
CN110378366A (zh) * | 2019-06-04 | 2019-10-25 | 广东工业大学 | 一种基于耦合知识迁移的跨域图像分类方法 |
CN110443255A (zh) * | 2019-06-14 | 2019-11-12 | 深圳大学 | 用于图像特征提取的松弛局部保持性回归方法 |
CN110598636A (zh) * | 2019-09-09 | 2019-12-20 | 哈尔滨工业大学 | 一种基于特征迁移的舰船目标识别方法 |
CN111723823A (zh) * | 2020-06-24 | 2020-09-29 | 河南科技学院 | 一种基于第三方迁移学习的水下目标检测方法 |
CN112001398A (zh) * | 2020-08-26 | 2020-11-27 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
CN109389174B (zh) * | 2018-10-23 | 2021-04-13 | 四川大学 | 一种人群聚集敏感图像检测方法 |
CN115150787A (zh) * | 2022-07-06 | 2022-10-04 | 四川大学 | 基于深度强化学习的能量管理策略包的部署系统及方法 |
CN116935121A (zh) * | 2023-07-20 | 2023-10-24 | 哈尔滨理工大学 | 面向跨地域光谱图像地物分类的双驱动特征学习方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229513A (zh) * | 2016-12-22 | 2018-06-29 | 扬州大学 | 一种基于迁移学习的稀疏表示分类方法 |
CN108520501A (zh) * | 2018-03-30 | 2018-09-11 | 西安交通大学 | 一种基于多尺度卷积稀疏编码的视频去雨雪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389174B (zh) * | 2018-10-23 | 2021-04-13 | 四川大学 | 一种人群聚集敏感图像检测方法 |
-
2018
- 2018-10-23 CN CN201811238491.8A patent/CN109389174B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229513A (zh) * | 2016-12-22 | 2018-06-29 | 扬州大学 | 一种基于迁移学习的稀疏表示分类方法 |
CN108520501A (zh) * | 2018-03-30 | 2018-09-11 | 西安交通大学 | 一种基于多尺度卷积稀疏编码的视频去雨雪方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389174B (zh) * | 2018-10-23 | 2021-04-13 | 四川大学 | 一种人群聚集敏感图像检测方法 |
CN110378366B (zh) * | 2019-06-04 | 2023-01-17 | 广东工业大学 | 一种基于耦合知识迁移的跨域图像分类方法 |
CN110378366A (zh) * | 2019-06-04 | 2019-10-25 | 广东工业大学 | 一种基于耦合知识迁移的跨域图像分类方法 |
CN110443255A (zh) * | 2019-06-14 | 2019-11-12 | 深圳大学 | 用于图像特征提取的松弛局部保持性回归方法 |
CN110443255B (zh) * | 2019-06-14 | 2022-04-15 | 深圳大学 | 用于图像特征提取的图像识别方法 |
CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
CN110598636A (zh) * | 2019-09-09 | 2019-12-20 | 哈尔滨工业大学 | 一种基于特征迁移的舰船目标识别方法 |
CN111723823A (zh) * | 2020-06-24 | 2020-09-29 | 河南科技学院 | 一种基于第三方迁移学习的水下目标检测方法 |
CN112001398A (zh) * | 2020-08-26 | 2020-11-27 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
CN112001398B (zh) * | 2020-08-26 | 2024-04-12 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
CN115150787A (zh) * | 2022-07-06 | 2022-10-04 | 四川大学 | 基于深度强化学习的能量管理策略包的部署系统及方法 |
CN116935121A (zh) * | 2023-07-20 | 2023-10-24 | 哈尔滨理工大学 | 面向跨地域光谱图像地物分类的双驱动特征学习方法 |
CN116935121B (zh) * | 2023-07-20 | 2024-04-19 | 哈尔滨理工大学 | 面向跨地域光谱图像地物分类的双驱动特征学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109389174B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389174A (zh) | 一种人群聚集敏感图像检测方法 | |
Fan et al. | Parallel spatio-temporal attention-based TCN for multivariate time series prediction | |
Zhu et al. | Generalizable no-reference image quality assessment via deep meta-learning | |
CN109992670A (zh) | 一种基于知识图谱邻域结构的图谱完备化方法 | |
CN111931814B (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
Calma et al. | From active learning to dedicated collaborative interactive learning | |
CN110348579A (zh) | 一种领域自适应迁移特征方法及系统 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111126464A (zh) | 一种基于无监督域对抗领域适应的图像分类方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
Zhang et al. | A Big Data Mining and Blockchain‐Enabled Security Approach for Agricultural Based on Internet of Things | |
CN109743642A (zh) | 基于分层循环神经网络的视频摘要生成方法 | |
Wang et al. | Research on application of deep learning algorithm in image classification | |
Cao et al. | A new froth image classification method based on the MRMR-SSGMM hybrid model for recognition of reagent dosage condition in the coal flotation process | |
CN113688253A (zh) | 一种层次感知的时态知识图谱表示学习方法 | |
CN113947133A (zh) | 小样本图像识别的任务重要性感知元学习方法 | |
CN103136309B (zh) | 通过基于核的学习对社交强度进行建模 | |
CN108021898A (zh) | 一种基于适配距离量度学习的人物再识别方法 | |
CN109241321A (zh) | 基于深度领域适应的图像和模型联合分析方法 | |
CN116226467A (zh) | 基于节点结构特征的图卷积神经网络的社区发现方法 | |
Mao et al. | An optimization-based three-way decision for multi-criteria ranking strategy considering intuitionistic fuzzy concept | |
Luo et al. | RPA and Artificial Intelligence in Budget Management Based on Multiperspective Recognition Based on Network Communication Integration | |
CN115082726A (zh) | 一种基于PointNet优化的座便器陶瓷素坯产品分类方法 | |
Hamood et al. | Clustered and multi-tasked federated distillation for heterogeneous and resource constrained industrial iot applications | |
CN114298854A (zh) | 一种联合学习表示和对齐的弱监督用户身份链接方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |